“未来已来，只是分布不均。” —— William Gibson

“AI会取代人类的工作。但别担心，大部分工作本来就不值得做。” —— 某位不愿透露姓名的WAIC参展商

2026年7月17日到20日，上海世博展览馆。1100多家企业、3000多项展品、300多款全球首发——第九届世界人工智能大会（WAIC 2026）又一次把全球AI圈的目光拉到了黄浦江畔。但这次不一样：机器人不再只是在玻璃柜里挥挥手，而是真的在展馆里走楼梯、搬箱子、给你倒咖啡。AI也不再只是聊天机器人，而是能自己规划任务、调用工具、给你交活的"数字员工"。本文以WAIC 2026为窗口，倒带70年，聊聊AI是怎么从一群人的异想天开，变成改变世界的力量的。

📑 目录

  1. WAIC 2026：AI 产业的"成人礼"
  2. AI 简史：四起三落，每次都更猛
  3. 大模型：从"谁更大"到"谁更能干"
  4. 具身智能：AI 终于走出了屏幕
  5. AI Agent：从"你问我答"到"你自己看着办"
  6. 端侧 AI：大模型住进了你的手机
  7. 算力自主：国产芯片的"长征"
  8. AI 治理：跑得快的 AI 不能没有刹车
  9. 中国 AI 的崛起之路
  10. WAIC 九年：九个台阶
  11. AI+行业：WAIC 2026 的落地场景
  12. AI 的数学与技术第一性原理
  13. AI 安全与伦理：不能回避的问题
  14. 未来：下一个十年会怎样？
  15. 总结：WAIC 教会我们的事
  16. 参考文献

1. WAIC 2026：AI 产业的"成人礼"

在这里插入图片描述

图1：WAIC九年时间线 —— 从200家企业到1100+，从PPT到真机

1.1 先看数据，因为数据不会骗人（虽然展商会）

指标WAIC 2024WAIC 2025WAIC 2026我的评价
参展企业~900家~1000家1100+家每年多100家，比我家楼下奶茶店增速还稳
展品数量~2800项~3000项3000+项多到你根本看不完
全球首发~250款~280款300+款"全球首发"这四个字在WAIC已经通货膨胀了
展览面积~8万㎡~9万㎡10+万㎡首次突破10万㎡，走路参观要穿跑鞋
具身智能企业~50家~80家200+家两年翻4倍，这增速比当年共享单车还猛
机器人真机~50台~100台300+台机器人比观众还多（好吧我夸张了）
图灵奖/诺奖~5位~7位9位学术追星族的天堂
论坛数量~100场~120场150+场选择困难症患者的噩梦
观众人次~20万~25万~30万比世博会还热闹（可能是因为免费）

表1：WAIC近三年核心数据

最惊人的变化是具身智能——2024年还只有25台人形机器人在一个小展区里"秀肌肉"，2026年直接独立设馆，300多台真机同台竞技。这发展速度，连互联网泡沫时期都自愧不如。

1.2 “三地四馆”——大到你需要导航

WAIC 2026首创"三地四馆"联动模式，总面积超过10万㎡。说人话就是：你得穿双好走的鞋。

场馆定位面积亮点参观建议
世博展览馆主会场~5万㎡大模型、AI Agent、镇馆之宝必去，但人多到像春运
张江科学城AI+产业~2万㎡工业AI、智能制造适合工程师，普通人会觉得无聊
西岸艺术中心未来科技~1.5万㎡自动驾驶、脑机接口最酷，排队最长
具身智能馆机器人（新设！）~2万㎡300+台真机，走楼梯最值得去，能看机器人翻跟头

表2：WAIC 2026四馆指南

具身智能首次拥有独立展馆——这本身就是产业爆发的最好证明。就像当年智能手机从CES的一个小角落变成整个展会的主角一样。

1.3 大会日程精华

WAIC 2026为期四天，每天的侧重点不同：

日期主题核心内容我的建议
Day 1 (7/17)开幕式+主论坛领导讲话、重磅发布看直播就行，现场太挤
Day 2 (7/18)WAICA学术会议图灵奖得主报告学术追星族必去
Day 3 (7/19)产业论坛+展览行业落地案例最实用的一天
Day 4 (7/20)治理论坛+闭幕AI治理、展望未来适合政策研究者

表3：WAIC 2026四天日程

Day 1是"面子"（领导和大佬站台），Day 2是"脑子"（学术前沿），Day 3是"里子"（产业落地），Day 4是"底线"（治理与安全）。四天刚好覆盖了AI的方方面面。

1.4 “镇馆之宝”——四个是Agent

WAIC 2026评选的十款"镇馆之宝"中，四款是AI智能体产品。这意味着什么？意味着Agent已经从PPT变成了产品。

镇馆之宝类型亮点普通人能用吗？
AI智能体手机（多款）端侧AI首批端侧大模型备案2026下半年
具身智能机器人机器人全尺寸人形，走楼梯工厂先行
工业大模型工业AI走出实验室进入工厂已在用
科学基础大模型AI4Science中科院磐石2.0科研机构
多模态大模型基础模型原生多模态API开放
自动驾驶方案自动驾驶L4级别城市道路限定区域
AI编程助手开发工具端到端代码生成程序员已在用
AI芯片算力全国产算力方案企业客户
工作流Agent企业AI自动化企业流程企业客户
浏览器Agent个人AI自动填表、调研2026下半年

表4：WAIC 2026镇馆之宝全景

四款Agent产品入选"镇馆之宝"，这在WAIC历史上是第一次。还记得2023年吗？那时候Agent还只是个概念，大家都在"画饼"。2026年，饼烤好了，端上桌了，而且还挺好吃。

2. AI 简史：四起三落，每次都更猛

在这里插入图片描述

图2：AI 70年历史 —— 四起三落，像个心电图但每次峰值更高

AI的历史就像一部狗血连续剧：主角反复"死而复生"，每次"复活"都比上次更强。

2.1 四起三落详解

时期年代发生了啥为啥"死"的关键人物类比
第一春1956-1974感知机、LISP、“20年内超越人类”Minsky一本书证明感知机连XOR都不会Rosenblatt, McCarthy创业公司烧完钱倒闭
第一冬1974-1983啥也没发生——行业沉寂
第二春1983-1993专家系统、日本五代机维护成本爆炸，知识获取瓶颈Feigenbaum网红店火了一阵没人去了
第二冬1993-2006啥也没发生——又沉寂了
第三春2006-2020深度学习、AlphaGo、GPT-3部分AI公司倒闭（但技术留了下来）Hinton, LeCun, Bengio泡沫挤掉，真金留下
第四浪2022-至今ChatGPT、大模型、Agent？（待观察）OpenAI, DeepSeek这次可能真的不一样？

表5：AI四起三落详解

每次"冬天"的套路都一样：过度承诺→资本涌入→技术交付不足→资本撤退→寒冬。但每次春天都比上次更暖——因为基础设施在积累。就像打游戏，每次Game Over你都会保留经验值。

2.2 第一春与第一冬（1956-1983）

年份事件影响后果
1950图灵发表"计算机器与智能"提出图灵测试AI的思想基础
1956达特茅斯会议"人工智能"一词诞生AI正式成为学科
1957Rosenblatt发明感知机第一个神经网络过度炒作开始
1958感知机热潮纽约时报报道"海军发明了能思考的机器"期望值拉满
1969Minsky出版《Perceptrons》数学证明感知机的局限神经网络被打入冷宫
1974第一次AI寒冬经费削减，研究停滞十年沉寂

表6：AI第一春与第一冬

Minsky的《Perceptrons》是AI史上最具"杀伤力"的一本书——它用数学证明了单层感知机无法解决XOR问题，直接导致了整个神经网络方向的经费被砍。有人说是Minsky"杀死了"神经网络，但公平地说，他只是指出了问题——解决方案（多层网络）要等到30年后才真正成熟。

2.3 第二春与第二冬（1983-2006）

年份事件影响教训
1980Carnegie Mellon开发XCON第一个成功的专家系统商业价值巨大
1981日本第五代计算机计划举国之力搞AI引发全球AI竞赛
1986反向传播算法复兴神经网络重新崛起Hinton的坚持
1987专家系统泡沫破裂维护成本远超预期知识获取瓶颈
1993第二次AI寒冬互联网泡沫叠加又十年沉寂
1997Deep Blue击败卡斯帕罗夫轰动全球但只是"暴力搜索"

表7：AI第二春与第二冬

专家系统的问题在于"知识获取瓶颈"——你需要请领域专家把他们的知识一条条写成规则，这既昂贵又不可扩展。就像你请一个大厨教你做菜，他能告诉你每一步怎么做，但你让他把所有菜的做法都写成菜谱，他可能会疯掉。

2.4 第三春：深度学习革命（2006-2020）

年份事件突破点影响
2006Hinton提出深度信念网络解决梯度消失深度学习复活
2009ImageNet数据集发布大规模标注数据有了"考试题"
2012AlexNet赢得ImageNetGPU训练CNN深度学习爆发
2014GAN诞生生成对抗网络AI能"创造"了
2015ResNet(152层)残差连接超深网络成为可能
2016AlphaGo击败李世石强化学习+蒙特卡洛树搜索全民知道AI了
2017Transformer诞生注意力机制改变了一切
2018BERT、GPT预训练+微调NLP革命
2020GPT-3175B参数，涌现能力大模型时代开启

表8：深度学习革命关键节点

2012年AlexNet的胜利是转折点——它不仅证明了深度学习的威力，更重要的是它用了GPU来训练。在此之前，GPU只是用来打游戏的；在此之后，GPU成了AI训练的"标配"。NVIDIA应该给Hinton发一个终身成就奖。

2.5 第四浪：大模型时代（2022-至今）

年份事件影响评价
2022.11ChatGPT发布2个月破亿用户史上增长最快的消费产品
2023.03GPT-4发布通过律师考试、多模态“AI比大部分律师都考得好”
2023.02LLaMA泄露开源大模型爆发Meta的"意外"改变了行业
2023.07中国百模大战100+个大模型同时训练“北京咖啡馆里全是搞大模型的”
2024.02Sora发布AI生成视频“好莱坞要失业了”（并没有）
2024.09o1发布推理能力大幅提升AI开始"思考"了
2025.01DeepSeek-V3发布开源追平闭源“原来1/10的成本也行？”
2026.07WAIC 2026Agent+具身智能元年“这次是真的落地了”

表9：大模型时代关键事件

ChatGPT的增长速度是人类商业史上最快的——2个月达到1亿用户。作为对比，Instagram花了2.5年，TikTok花了9个月，电话花了75年。这不是AI的胜利，这是"终于有一个AI产品普通人也能用"的胜利。

2.6 WAIC 2026 嘉宾天团

嘉宾称号贡献一句话概括有趣的故事
Richard Sutton2024图灵奖强化学习之父“让机器自己试错学习”在AI寒冬中坚持了30年
Yoshua Bengio2018图灵奖深度学习三巨头“在黑暗中坚持到天亮”论文被拒、经费被砍
Gilles Brassard2025图灵奖量子密码学“让信息不可破解”量子计算的先驱
姚期智2000图灵奖计算复杂性“有些问题永远算不快”华人图灵奖第一人

表10：WAIC 2026嘉宾天团

Bengio的故事特别值得一讲——在1990年代，神经网络被主流学术界抛弃的时候，他和Hinton、LeCun三个人在各自的角落默默坚持。当时他们的论文被拒、经费被砍、学生找不到工作。然后2012年AlexNet一出来，整个世界突然醒悟："卧槽，原来你们是对的。"2018年他们三人一起获得图灵奖——这是学术界最浪漫的"复仇"故事。

2.7 AI 范式的三次转变

范式时期核心思想数据需求算力需求代表优势劣势
符号主义1956-1990s逻辑推理、规则少量低专家系统可解释知识获取瓶颈
统计学习1990s-2012概率统计、优化中等中等SVM、随机森林泛化好特征工程
连接主义2012-至今神经网络、端到端海量极高GPT、AlphaGo自动特征黑箱、耗能

表11：AI三大范式对比

WAIC 2026上，三种范式都有影子：工业AI还在用规则+统计（因为可解释性重要），大模型用深度学习，而因果推理（符号主义的精神后裔）正在学术界复兴。就像时尚界，老东西过一阵又会流行回来。

3. 大模型：从"谁更大"到"谁更能干"

在这里插入图片描述

图3：大模型演进 —— 从"卷参数"到"卷落地"

3.1 大模型完整时间线

年份模型参数量来源一句话评价
2018BERT340MGoogle“我能理解语言了！”（然后被GPT抢了风头）
2018GPT117MOpenAI“我是始祖，但没人在乎我”
2019GPT-21.5BOpenAI“太危险了不能发布”（结果还是发布了）
2020GPT-3175BOpenAI“我能写诗了！”（但经常胡说八道）
2022ChatGPT~175BOpenAI“我能聊天了！”（2个月破亿，史上最猛）
2023GPT-4~1.8TOpenAI“我能看图了！”（通过律师考试，吓坏一票人）
2023LLaMA7-65BMeta“我也行！而且我开源！”（搅局之作）
2023Claude 2未知Anthropic“我更安全！”（对齐做得最好）
2024Llama 38-405BMeta“开源也能这么强？”
2024Claude 3未知Anthropic“200K上下文，你信不信？”
2025DeepSeek-V3671B MoEDeepSeek“我用1/10的成本做到了！”（全球震惊）
2025Gemini 2.0多版本Google“原生多模态+Agent”
2026Agent生态各种规模多家“别聊了，干活吧。”（WAIC 2026的主题）

表12：大模型演进完整时间线（附赠吐槽版）

注意到一个趋势：2023年大家都在卷"谁的模型更大"，2026年变成了"谁的Agent更能干"。这就像手机行业从"谁的跑分更高"变成"谁的拍照更好"一样——用户不在乎你用了什么芯片，只在乎拍出来的照片好不好看。

3.2 中国大模型格局

类别代表特点WAIC 2026表现一句话
第一梯队DeepSeek-V3, Qwen-3接近GPT-4水平核心展示“能打的”
第二梯队文心一言4.0, 讯飞星火5.0垂直领域强行业方案“各有特长”
开源阵营DeepSeek, Qwen, Yi开源生态开发者生态“免费的”
垂直模型医疗、法律、金融领域深耕产业落地“专业的”

表13：中国大模型格局

DeepSeek是2025年最大的"搅局者"——用传闻只有GPT-4训练成本1/10的预算，达到了接近的性能。这就像有人用小米的成本做出了iPhone的品质，整个行业都坐不住了。

3.3 从"百模大战"到"Agent大战"

维度2023：百模大战2026：Agent大战变化
竞争焦点参数量、Benchmark分数Agent能力、落地场景从"跑分"到"干活"
产品形态聊天机器人（你问我答）数字员工（自己规划自己干）从"被动"到"主动"
技术栈预训练+SFT+RLHFAgent框架+工具调用+规划更复杂了
商业模式API按调用收费SaaS订阅、按效果付费更可持续了
评估方式MMLU、HumanEval任务完成率、用户满意度更实际了
生态竞争谁的模型更强谁的Agent生态更大从"单打独斗"到"平台竞争"
中国玩家百模大战、疯狂内卷DeepSeek逆袭、Agent落地从"跟跑"到"领跑"

表14：从百模大战到Agent大战的转变

WAIC 2026上，超一成论坛议题围绕智能体展开。智能体不再是"Demo"，而是可以真正执行任务的"数字员工"——从写代码、操作浏览器到控制机器人。如果说2023年是"模型元年"，那2026年就是"Agent元年"。

3.4 缩放定律与涌现能力

定律内容含义证据
缩放定律L ∝ N^(-0.076) · D^(-0.095)更大=更好（幂律关系）Kaplan et al. 2020
涌现能力模型规模超过阈值后突然出现新能力量变引起质变CoT、Few-shot
Chinchilla定律数据量和参数量应该等比增长不要只堆参数Hoffmann et al. 2022

表15：大模型三大定律

缩放定律是OpenAI在2020年发现的——只要增加参数、数据和算力，模型效果就会持续提升，而且是可以预测的。这就是为什么所有大公司都在疯狂堆算力——因为数学告诉你，堆就完了。但Chinchilla定律修正了这个观点：不是越大越好，而是数据和参数要匹配。

3.5 大模型的"幻觉"问题

类型表现原因解决方案效果
事实幻觉编造不存在的事实训练数据有噪声RAG、事实验证中等
推理幻觉推理过程看似正确但结论错误模式匹配而非真推理CoT、o1进步中
引用幻觉编造不存在的论文/引用没有真正的"记忆"检索增强较好
自信幻觉错误答案但非常自信概率分布特性校准、不确定性估计早期

表16：大模型幻觉问题分类

"幻觉"是大模型最大的软肋——它可以一本正经地胡说八道，而且说得比真话还流利。这就像一个很能说的朋友，你永远不确定他说的是真的还是编的。解决方案是RAG（检索增强生成）——让模型先查资料再回答，就像考试时允许翻书。

4. 具身智能：AI 终于走出了屏幕

在这里插入图片描述

图4：具身智能三年跃迁 —— 从"能走就不错了"到"走楼梯搬箱子"

WAIC 2026最直观的变化：机器人不再是在玻璃柜里挥手的吉祥物，而是真的在展馆里走来走去。

4.1 三年对比

维度202420252026我的评价
机器人数量25台~100台300+台增速比新生儿还快
能做什么挥手、走路搬东西、简单操作走楼梯、精细操作终于不只是"展示品"了
驱动方式预编程简单AIVLA大模型从"死记硬背"到"随机应变"
落地状态实验室工厂试点工厂量产终于能赚钱了
价格数百万数十万数十万（量产后降）还是比人贵
续航30分钟1小时1-2小时还是得充电

表17：具身智能三年对比

2024年看机器人展览，就像看幼儿园文艺汇演——每个机器人做一两个固定动作，观众鼓掌，结束。2026年看机器人展览，就像看特种兵训练——走楼梯、搬箱子、拧螺丝，样样来。

4.2 VLA：机器人的"大脑"

VLA（Vision-Language-Action）是2025-2026年具身智能领域最重要的突破。简单说，就是让机器人"看-理解-做"一步到位 [13]。

传统方式VLA方式区别类比
先拍照→再分析→再规划→再执行看一眼就知道该怎么做从"三步走"到"一步到位"新手厨师vs老手厨师
每一步都需要单独的模型一个模型搞定所有端到端合奏vs独奏
换个场景就傻了有泛化能力从"专用"到"通用"应试教育vs素质教育
需要精确建模从数据中学习数据驱动自学vs上课

表18：VLA vs 传统机器人控制

你教小孩系鞋带，不会先给他讲力学原理、再分析绳子的材质、最后规划每个手指的动作——你演示一遍，他看一遍，就会了（好吧，大部分小孩需要看好几遍）。VLA就是这个思路：看一遍，学一遍，做一遍。

4.3 明星机器人详解

机器人公司类型身高/体重亮点一句话评价落地场景
AdamPNDbotics全尺寸人形~1.7m/70kg首次公开展示走楼梯“终于不怕楼梯了”巡检、服务
Galbot银河通用通用人形~1.6m/55kg多任务通用能力“什么都能干一点”仓储、零售
GR-2傅利叶工业人形~1.7m/65kg汽车工厂部署“打工人，打工魂”汽车制造
Walker S优必选工业人形~1.7m/60kg蔚来工厂实训“在工厂比在展馆更自在”汽车制造
H1宇树敏捷人形~1.8m/47kg跑步跳跃“体育特长生”科研、展示
OptimusTesla量产人形~1.7m/57kg2026量产目标“Elon说的，你信不信？”家庭、工厂

表19：WAIC 2026明星机器人详解

Adam走楼梯是本届WAIC的"名场面"——全尺寸人形机器人在公众面前走楼梯，这在以前是不可想象的。走楼梯对人类来说是三岁就学会的事，但对机器人来说，每一步都需要实时感知地形、计算重心、调整步态——这背后是数十次计算。你小时候学走路摔了多少跤？机器人也是。只不过它摔一跤可能值几十万。

4.4 具身智能的技术栈

层次组件2024状态2026状态关键突破难点
感知层视觉、触觉、力觉基础视觉多模态融合触觉传感器低成本触觉
认知层理解、规划简单指令VLA大模型视觉-语言-动作统一泛化能力
决策层任务分解预编程自主规划LLM驱动的规划安全性
执行层关节控制基础动作精细操作灵巧手力控精度
学习层技能获取模仿学习在线学习+仿真数字孪生训练数据稀缺

表20：具身智能技术栈演进

4.5 具身智能面临的挑战

挑战现状难点解决方向时间线
硬件成本单台数十万-数百万关节电机、传感器贵规模化量产降本2027-2028
泛化能力有限场景通用环境变化适应差VLA大模型+仿真2026-2028
安全性基础安全人机协作安全力控+安全标准2026-2027
数据稀缺高质量数据少采集成本高仿真+合成数据2026-2028
续航1-2小时电池能量密度固态电池2028-2030
灵巧操作粗糙操作为主精细手部操作灵巧手+触觉2027-2029

表21：具身智能核心挑战

硬件成本是最大的瓶颈——一台人形机器人的关节电机加起来可能比一辆特斯拉还贵。但好消息是，中国在供应链上有巨大优势——电机、传感器、结构件的成本正在快速下降。就像当年手机从"大哥大"几万块变成现在几百块一样，机器人也会走这条路。

5. AI Agent：从"你问我答"到"你自己看着办"

在这里插入图片描述

图5：AI Agent架构 —— 有脑子、有手、有记忆，关键是：能自己干活

WAIC 2026的主题是"智能伙伴，共创未来"。这个"智能伙伴"，说的就是Agent。

5.1 什么是Agent？

维度聊天机器人（2023）AI Agent（2026）类比
交互你问一句它答一句你说目标它自己干实习生 vs 老员工
任务单轮对话多步骤复杂任务传话 vs 独当一面
工具不会用工具会调API、写代码、操作浏览器空手 vs 带装备
记忆聊完就忘短期+长期记忆金鱼 vs 大象
自主性等你指令自己规划自己执行被动 vs 主动
出错时告诉你它不会自己想办法解决放弃 vs 找替代方案

表22：聊天机器人 vs AI Agent

聊天机器人就像一个很聪明但没有手脚的人——你问它什么它都知道，但它什么都做不了。Agent就像一个既有脑子又有手脚的人——你说"帮我订下周去北京出差的机票和酒店"，它自己查航班、比价格、订酒店、发确认邮件，一条龙搞定。

5.2 Agent 的六大核心能力

能力功能2026成熟度技术实现难点
🧠 大脑(LLM)理解、推理、决策成熟GPT-4、Claude、DeepSeek推理幻觉
📋 规划任务分解、步骤排序快速进步CoT、ToT、ReAct [14,15]长程规划
💾 记忆短期上下文+长期知识基本成熟向量数据库、RAG记忆管理
🔧 工具调用API、执行代码成熟Function Calling工具发现
🦾 行动执行操作、观察结果快速进步代码执行、浏览器控制错误恢复
🔄 反思评估结果、调整策略早期自我批评、回溯评估准确性

表23：Agent六大核心能力

"反思"是目前最弱的一环——大部分Agent犯了错会继续犯，不像人类会总结教训。但这个方向正在快速发展。等到Agent真的会"吃一堑长一智"的时候，可能就是真正的"数字员工"了。

5.3 Agent的技术实现

组件作用实现方式代表框架
感知接收用户输入和环境信息文本/图像/语音理解—
规划将大任务分解为小步骤ReAct、CoT、Tree-of-ThoughtLangChain
记忆存储历史信息和知识向量数据库+摘要MemGPT
工具执行具体操作Function Calling、代码沙箱OpenAI Tools
行动执行操作并观察结果API调用、浏览器操作Playwright
反思评估执行结果自我批评、对比目标Reflexion

表24：Agent技术实现栈

5.4 多Agent协作

协作模式说明应用场景代表框架优势劣势
主从模式一个主Agent调度多个子Agent复杂任务分解AutoGPT清晰的控制链主Agent瓶颈
对等模式多个Agent平等协作讨论、辩论CAMEL多角度思考容易跑题
流水线模式Agent按顺序传递结果内容生产链CrewAI高效容错差
竞争模式多个Agent竞争最优解优化问题—结果更好资源浪费
层级模式多层管理结构企业级应用AutoGen可扩展复杂

表25：多Agent协作模式

多Agent系统就像一个虚拟团队——有项目经理（主Agent）、有开发者（编码Agent）、有测试者（测试Agent）、有产品经理（需求Agent）。WAIC 2026上，多家公司展示了这种"AI团队"的工作流。

5.5 WAIC 2026 上的 Agent 产品

Agent类型做什么入选镇馆之宝？普通人能用吗？技术成熟度
编码Agent自己写代码、自己调试✅程序员已在用⭐⭐⭐⭐⭐
浏览器Agent自动填表、下单、调研✅2026下半年⭐⭐⭐⭐
机器人Agent控制物理机器人干活✅工厂先行⭐⭐⭐
工作流Agent自动化企业流程✅企业客户⭐⭐⭐⭐
多Agent协作多个Agent组队干活🔜2027预计⭐⭐⭐
科研Agent辅助科学发现🔜科研机构⭐⭐

表26：WAIC 2026 Agent产品全景

6. 端侧 AI：大模型住进了你的手机

WAIC 2026的另一个重磅：首批手机端侧大模型完成备案。这意味着你的手机以后可以不联网就用AI了。

6.1 端侧 vs 云端

维度云端AI端侧AI用户感受哪个更好？
速度慢（要等网络）快（本地处理）“秒回” vs “转圈圈”端侧
隐私数据上传云端数据不出手机“被人看” vs “自己知道”端侧
离线不行完全OK地铁里也能用端侧
能力很强较弱但够用90分 vs 70分云端
成本按调用收费免费（已含在手机价格里）“月租” vs “买断”端侧
更新实时更新需要下载新模型“总是最新” vs “偶尔更新”云端

表27：端侧AI vs 云端AI

端侧AI最大的好处是隐私——你的聊天记录、照片、健康数据都不需要上传到任何服务器。这就像你日记本锁在自己抽屉里，而不是寄存在别人家。最好的方案是"端云协同"——简单任务在端侧处理，复杂任务上云端。

6.2 为什么现在才行？

技术以前的问题现在的解决方案效果
模型太大7B参数 = 14GB，手机装不下INT4量化：压缩到3.5GB大小缩小4倍
速度太慢推理一次要几秒NPU专用硬件：毫秒级速度提升10倍
太耗电跑模型手机烫手稀疏推理：只激活需要的部分功耗降低3倍
能力太弱小模型啥也不会知识蒸馏：从大模型"学艺"能力提升显著

表28：端侧AI技术突破

知识蒸馏特别有意思——就像一个大学教授（大模型）把毕生所学浓缩成精华笔记，教给一个小学生（小模型）。小学生虽然没有教授懂得多，但精华笔记让他在日常场景中够用了。

6.3 端侧AI的应用场景

场景具体应用为什么必须在端侧2026状态
实时翻译对话翻译、拍照翻译延迟敏感已落地
智能摄影AI修图、场景识别隐私+速度已落地
语音助手离线语音交互离线需求已落地
健康监测睡眠分析、运动建议隐私敏感发展中
文本摘要邮件/文章摘要离线+隐私发展中
个性化推荐本地学习用户偏好隐私保护早期

表29：端侧AI应用场景

7. 算力自主：国产芯片的"长征"

7.1 为什么算力这么重要？

类比AI时代工业时代后果
核心资源算力石油没有它就转不动
战略意义没有算力就没有AI没有石油就没有工业被卡脖子
卡脖子高端GPU受限中东石油危机发展受阻
国产替代华为昇腾、寒武纪大庆油田、煤变油自主可控

表30：算力的战略意义（用你能听懂的方式）

没有算力，再好的算法也是纸上谈兵。训练一个GPT-4级别的模型需要的算力，大概相当于几万台高端服务器跑几个月。这就是为什么算力是AI时代的"石油"。

7.2 国产AI芯片详解

芯片公司类型算力(FP16)制程生态和NVIDIA差距WAIC 2026表现
昇腾910B华为训练+推理~300T7nm最成熟~80%核心展示
思元590寒武纪训练+推理~200T7nm成长中~60%多款服务器
深算一号海光通用GPU~100T7nm成长中~50%行业方案
BR100壁仞训练GPU~200T7nm早期~60%技术展示
天数智芯天数智芯训练GPU~150T7nm早期~50%创新展示

表31：国产AI芯片详解

华为昇腾是目前国产算力的"扛把子"——不仅硬件性能接近NVIDIA A100的80%，更重要的是建立了相对完整的软件生态。但坦白说，和NVIDIA的差距主要不在芯片本身，而在CUDA生态——20年积累的开发者、工具链和社区，不是一朝一夕能追上的。

7.3 软件生态才是真正的护城河

层次NVIDIA生态国产替代差距评估追赶难度
编程模型CUDACANN(华为)差距大⭐⭐⭐⭐⭐
深度学习框架PyTorchMindSpore(华为)差距中⭐⭐⭐
编译器nvcc自研编译器差距大⭐⭐⭐⭐
算子库cuDNN, cuBLAS自研算子库差距大⭐⭐⭐⭐
推理引擎TensorRT自研推理引擎差距中⭐⭐⭐
开发者社区全球数百万数十万差距大⭐⭐⭐⭐⭐

表32：NVIDIA vs 国产软件生态

NVIDIA的护城河不是GPU硬件本身，而是CUDA生态——20年来积累的开发者、工具链、库和社区。国产芯片要突围，硬件追上来只是第一步，建立软件生态才是真正的"长征"。就像Android和iOS的竞争——不是手机硬件的竞争，而是应用生态的竞争。

7.4 国产算力方案（WAIC 2026展示）

方案提供方组成适用场景成熟度
昇腾AI集群华为910B+MindSpore+CANN大模型训练较成熟
训推一体机多家国产GPU+自研框架中小企业成长中
边缘推理盒多家国产NPU+轻量框架工业/安防成熟
AI服务器浪潮/曙光国产CPU+国产GPU数据中心成长中

表33：国产算力方案

8. AI 治理：跑得快的 AI 不能没有刹车

在这里插入图片描述

图6：AI治理演进 —— 从"讨论原则"到"真立法了"

WAIC 2026同期举办了"人工智能全球治理高级别会议"——治理已经成为WAIC的固定"标配"。

8.1 全球治理格局

地区风格代表法规核心理念一句话
🇪🇺 欧盟先立法再发展AI Act (2024)风险分级“先把规矩定好再说”
🇺🇸 美国行政令+自律拜登AI行政令灵活务实“你们自己看着办，出事我再管”
🇨🇳 中国边发展边治理各领域专项法规问题导向“出了一个管一个，效率极高”
🇬🇧 英国创新友好白皮书宽松“来来来，先搞发展”
🇯🇵 日本软法治理指南+自律柔性“我们商量着来”
🌍 全球多边对话联合国、G7合作“大家坐下来谈谈”

表34：全球AI治理格局

中国的AI治理速度全球最快——2021年算法推荐规定、2022年深度合成规定、2023年GenAI暂行办法、2025年具身智能指南……基本是一个新技术出来半年内就有法规。这种"边发展边治理"的模式，好处是不会出现监管真空，风险是可能误伤创新。

8.2 中国AI法规详解

年份法规为什么出台核心内容效果国际影响
2017新一代AI发展规划国家战略三步走目标顶层设计引发各国跟进
2021算法推荐规定“大数据杀熟”算法透明度、用户可选择全球首个被多国参考
2022深度合成规定深度伪造视频标识要求、实名制有效遏制领先全球
2023GenAI暂行办法ChatGPT冲击备案制、内容安全快速规范全球首批
2024AI安全治理框架综合治理分类分级、安全评估体系化—
2025具身智能安全指南机器人安全安全标准、测试要求先行先试全球首批
2026Agent治理（议题）Agent自主行动责任归属、安全边界探讨中前沿议题

表35：中国AI法规时间线

一个有趣的规律：几乎每个法规的出台都和一个"事件"有关——大数据杀熟催生了算法法规、深度伪造催生了深度合成法规、ChatGPT催生了GenAI法规。这说明中国的监管逻辑是"问题导向"——出了问题就解决问题。效率高，但也可能"打地鼠"——一个按下去另一个冒出来。

8.3 EU AI Act 的风险分级

欧盟的AI Act是全球最全面的AI法规，采用"风险分级"方法：

风险等级定义举例要求
不可接受风险威胁基本权利社会评分系统、实时生物识别禁止
高风险影响安全或权利医疗AI、招聘AI、自动驾驶严格监管
有限风险有一定透明度需求聊天机器人、深度伪造标识义务
最低风险基本无风险AI游戏、垃圾邮件过滤无特殊要求

表36：EU AI Act风险分级

欧盟的思路很清晰：风险越高，监管越严。这就像食品安全——你卖个苹果不需要许可证，但你卖个药就得过审批。问题是：AI的"风险"怎么定义？一个写诗的AI和一个诊断癌症的AI，风险等级完全不同。

8.4 WAIC 2026 的治理议题

议题核心问题讨论进展挑战
Agent安全Agent自主行动的责任归属框架讨论中责任链太复杂
深度伪造AI生成内容的标识标识标准推进技术对抗
数据合规训练数据的版权问题持续争议利益平衡
就业影响AI对劳动力市场的影响政策建议预测困难
国际合作全球AI治理标准统一对话持续各国利益不同
开源治理开源模型的安全责任早期讨论责任主体不清

表37：WAIC 2026核心治理议题

9. 中国 AI 的崛起之路

9.1 发展阶段

阶段年份关键事件状态类比
萌芽2006-2012深度学习论文引入中国学习期“引进来”
起步2012-2016CV公司涌现（商汤、旷视）追赶期“跟跑”
爆发2016-2020AlphaGo后资本涌入爆发期“并跑”
内卷2020-2023百模大战、千团大战AI版竞争期“抢跑”
分化2023-2025DeepSeek逆袭、淘汰赛分化期“领跑（部分）”
落地2025-2026Agent、具身智能量产兑现期“交卷”

表38：中国AI发展阶段

从"跟跑"到"领跑"，中国AI用了不到10年。DeepSeek的出现是一个转折点——它证明了中国团队可以用更少的资源训练出世界一流的大模型。这不仅是技术突破，更是信心突破。

9.2 优势与挑战深度分析

维度优势具体表现挑战具体表现
数据14亿人产生的海量数据移动互联网、电商、社交数据质量噪声大、标注不规范
应用丰富的落地场景电商、金融、制造、医疗基础创新核心算法原创性不足
政策国家战略支持新一代AI规划、专项资金监管平衡可能误伤创新
人才大量AI工程师每年数十万CS毕业生顶尖人才大部分在海外
市场14亿人口的巨大市场移动支付、O2O内卷利润薄、竞争激烈
算力国产替代加速华为昇腾生态高端芯片受出口管制影响
开源DeepSeek等做出贡献全球开源社区影响力生态依赖仍依赖PyTorch/CUDA

表39：中国AI优势与挑战深度分析

9.3 中国AI的标志性事件

年份事件影响国际反响
2016AlphaGo击败李世石全民AI热中国开始大规模投入
2017国家AI规划发布AI成为国家战略各国跟进制定AI战略
2018首届WAIC中国有了世界级AI舞台国际关注度提升
2019商汤、旷视等CV公司崛起中国CV全球领先"中国AI威胁论"开始
2022ChatGPT发布中国大模型热潮追赶压力
2023百模大战100+个大模型"中国速度"震惊
2025DeepSeek-V3发布开源追平闭源“原来1/10成本也行？”
2026WAIC 2026具身智能+Agent元年中国AI落地领先

表40：中国AI标志性事件

10. WAIC 九年：九个台阶

在这里插入图片描述

图7：WAIC 2026展览布局 —— 三地四馆，大到需要导航

届次年份主题那年最火的词参展规模标志性事件我的回忆
1st2018AI赋能新时代“AI赋能”~200家中国首个世界级AI大会“大家还在讨论AI会不会抢工作”
2nd2019智联世界 无限可能“5G+AI”~300家5G和AI的CP刚刚组上“自动驾驶要来了！”（并没有）
3rd2020智联世界 共同家园“线上化”~400家疫情让AI应用突然加速“AI测温枪到处都是”
4th2021智联世界 众智成城“元宇宙”~500家扎克伯格改名Meta“大家都在谈元宇宙”（然后没人提了）
5th2022智联世界 元生无界“AIGC”~600家DALL-E 2让AI画画火了“AI画的比我好”（美术生哭了）
6th2023智联世界 生成未来“大模型”~800家百模大战元年“遍地GPT”
7th2024以共商促共享“具身智能”~900家首设机器人专区(25台)“机器人终于能走了”
8th2025智能时代 同球共济“AI Agent”~1000家开源爆发“DeepSeek太猛了”
9th2026智能伙伴 共创未来“Agent+具身”1100+家300+台机器人，Agent产品化“机器人走楼梯了！”

表41：WAIC九年全景回顾

九年九个主题，每一个都精准地踩在了当年AI行业的"鼓点"上。WAIC不只是一个展会，它更像是中国AI产业的"年度总结报告"——看看今年的主题，就知道这个行业走到了哪里。

11. AI+行业：WAIC 2026 的落地场景

WAIC 2026不只是技术展示，更是产业落地的"阅兵式"。

11.1 AI+制造

应用做什么效果代表企业
质量检测AI视觉检测产品缺陷检出率提升30%百度、华为
预测性维护预测设备何时会坏停机时间减少50%西门子、阿里
工艺优化优化生产参数能耗降低15%树根互联
供应链优化需求预测、库存优化库存成本降低20%京东、菜鸟

表42：AI+制造落地场景

11.2 AI+医疗

应用做什么效果挑战
辅助诊断AI看片子、看病理准确率接近专家监管审批
药物发现AI筛选药物分子研发周期缩短50%数据隐私
个性化治疗基于基因的治疗方案疗效提升数据标准化
健康管理AI健康助手预防为主用户依从性

表43：AI+医疗落地场景

11.3 AI+金融

应用做什么效果风险
风控AI识别欺诈交易欺诈损失降低60%误判率
智能投顾AI投资建议收益率提升合规风险
客服AI客服处理80%咨询成本降低70%用户体验
合规AI审查合同/法规效率提升10倍准确性

表44：AI+金融落地场景

11.4 AI+教育

应用做什么效果争议
个性化学习AI根据学生水平调整内容学习效率提升依赖性
AI教师24小时答疑随时可用教育本质
作文批改AI批改中英文作文效率提升100倍创造力评估
语言学习AI对话练习口语提升显著文化理解

表45：AI+教育落地场景

11.5 AI+交通

应用做什么进展挑战
自动驾驶L4无人出租车限定区域运营法规、安全
智能交通AI优化信号灯拥堵降低20%系统集成
车路协同路侧设备+AI测试中基建投入
物流优化AI路径规划成本降低15%实时性

表46：AI+交通落地场景

12. AI 的数学与技术第一性原理

12.1 AI 的本质

层次问题答案数学表达
1AI在做什么？逼近一个函数f(X) ≈ Y
2怎么找这个函数？最小化损失min Σloss(ŷ, y)
3怎么最小化？梯度下降θ -= η·∇L
4梯度怎么算？反向传播链式法则
5为什么有效？万能逼近定理足够宽的网络能逼近任意函数

表47：AI第一性原理五问

12.2 大模型的核心技术

技术原理解决什么问题谁提出的
Transformer自注意力机制并行化、长距离依赖Vaswani 2017
预训练+微调先学通用知识再学特定任务数据效率Howard 2018
RLHF用人类偏好训练对齐人类价值观Ouyang 2022
MoE混合专家，按需激活计算效率Shazeer 2017
Flash Attention优化注意力计算内存和速度Dao 2022
位置编码注入位置信息Transformer无位置感Vaswani 2017

表48：大模型核心技术

12.3 关键公式速查

前向传播:    y = f(Wx + b)
损失函数:    L = -Σ yᵢ·log(ŷᵢ)          (交叉熵)
梯度下降:    θ_new = θ_old - η·∇L        (参数更新)
注意力:      Attn = softmax(QK^T/√d_k)·V  (自注意力)
缩放定律:    L(N,D) ∝ N^(-0.076) · D^(-0.095)
softmax:     σ(zᵢ) = e^zᵢ / Σe^zⱼ        (归一化)

13. AI 安全与伦理：不能回避的问题

13.1 AI 安全风险

风险类型说明严重程度缓解方法2026状态
幻觉编造不存在的事实高RAG、事实验证改善中
偏见训练数据中的偏见被放大高数据清洗、公平性约束改善中
有害输出生成有害/不适当内容高RLHF、安全过滤器基本可控
提示注入恶意输入绕过安全限制中输入验证、安全训练攻防中
深度伪造AI生成虚假视频/音频高标识技术、法律法规推进
就业冲击AI取代人类工作中高再培训、社会保障讨论中
权力集中少数公司控制最强大模型中开源、监管开源缓解

表49：AI安全风险全景

13.2 AI 伦理核心问题

问题争论我的看法
AI有没有意识？功能上可能有，生物上没有目前不重要，重要的是行为
AI应不应该有权利？现在不应该，未来不确定先解决人的问题
AI创作的内容版权归谁？各国法律不同应该归使用者
AI决策应该可解释吗？高风险领域必须黑箱是最大的信任障碍
AI武器应不应该存在？国际争论激烈需要国际条约

表50：AI伦理核心问题

13.3 AI 对齐问题

方法原理优点缺点代表
RLHF用人类偏好训练直接对齐人类价值观人类偏好有偏见ChatGPT
DPO直接偏好优化更简单效果略逊LLaMA 2
Constitutional AIAI自我约束可扩展规则设计难Claude
红队测试人工攻击测试发现漏洞不全面所有大厂

表51：AI对齐方法

"对齐"是AI安全的核心问题——如何确保AI系统的目标和人类的目标一致？这听起来简单，但实际上极其困难——因为你很难用数学精确定义"人类的目标"是什么。不同人的"目标"可能完全不同，甚至互相矛盾。

14. 未来：下一个十年会怎样？

14.1 技术趋势预测

趋势时间线确定性影响如果错了你来找我
Agent成为标配2026-2028很确定工作方式变革不会错
具身智能进工厂2027-2030较确定制造业变革大方向对
端侧AI无处不在2026-2028很确定隐私保护已经在发生
自动驾驶L4普及2028-2032较确定交通变革取决于政策
AI+科学研究爆发2026-2030较确定科学发现加速方向对
AGI到来2030-2040(?)不确定人类文明级变革没人知道
AI取代大部分工作渐进式不确定社会结构变革“取代"不如说"改变”
脑机接口实用化2035+不确定人机融合太远了

表52：AI技术趋势预测

最确定的趋势是Agent——WAIC 2026已经证明它从概念变成了产品。最不确定的是AGI——也许明天就来，也许50年后才来，也许永远不会来（至少不会以我们想象的方式）。

14.2 产业影响预测

行业AI影响时间线影响程度会被取代的岗位不会被取代的岗位
软件开发AI编程助手成为标配已经开始革命性初级程序员架构师
客服80%由AI处理2-3年高一线客服复杂投诉处理
金融AI风控、量化、客服已经开始高数据录入、基础分析投资决策
医疗AI辅助诊断3-5年高影像初筛手术、沟通
教育个性化AI教师2-4年中高标准化教学启发式教育
制造具身智能+工业AI3-5年高重复性操作创新设计
法律AI合同审查2-3年中合同审查法庭辩护
创意AI辅助创作已经开始中高素材制作原创构思

表53：AI对各行业的影响预测

“AI会不会取代我的工作？”——答案是：不会取代你，但会取代不会用AI的你。就像电脑没有取代会计，但不会用电脑的会计被取代了。

14.3 AI 发展的不确定性

乐观派观点悲观派观点我的看法
AGI 10年内到来可能永远到不了可能在某些领域超人，但不是全面超人
AI创造更多新工作大规模失业不可避免历史表明新技术创造的工作比消灭的多
AI解决气候问题AI本身很耗能两者都有道理
AI让每个人更平等AI加剧不平等取决于治理
AI是人类最好的发明AI是人类最大的威胁都太极端了，AI是工具

表54：AI发展的乐观vs悲观

15. 总结：WAIC 教会我们的事

从2018年的第一届到2026年的第九届，WAIC教会了我们以下几件事：

教训说明证据类比
技术会迟到但不会缺席AI从概念到产品花了70年1956→2022 ChatGPT竹子前4年只长3cm，第5年每天长30cm
泡沫之后是真增长每次寒冬后都迎来更大爆发AI冬天→深度学习革命泡沫挤掉后真金留下
中国速度不可忽视从跟跑到并跑甚至领跑DeepSeek、WAIC规模10年走完别人30年的路
治理不能落后于技术需要"边发展边治理"中国AI法规快速迭代跑得快的车需要好刹车
开放是最大的力量开源让AI民主化LLaMA、DeepSeek开源知识共享加速创新
落地才是硬道理Benchmark不代表一切WAIC从Demo到产品实践是检验真理的唯一标准
AI是伙伴不是替代人机协作>人机对抗"智能伙伴"主题AI是锤子，不是拿锤子的人

表55：WAIC九年教会我们的七件事

核心公式：AI进步 = 算法创新 × 数据规模 × 算力供给 × 应用落地 × 治理保障

“AI is too important to be left to AI researchers.” —— 某位WAIC嘉宾

但同样重要的是：AI也太重要了，不能只留给政策制定者和商人。WAIC的价值在于，它让研究者、工程师、企业家、政策制定者和普通公众坐到了同一张桌子前。这可能是WAIC对中国AI产业最大的贡献——不仅仅是技术和产品，更是对话和共识。

16. 参考文献

[1] WAIC 2026组委会. (2026). “2026世界人工智能大会暨人工智能全球治理高级别会议”. https://worldaic.com.cn.

[2] Vaswani, A., et al. (2017). “Attention Is All You Need”. NeurIPS, 30. arXiv: 1706.03762.

[3] Brown, T. B., et al. (2020). “Language Models are Few-Shot Learners”. NeurIPS, 33. arXiv: 2005.14165.

[4] Touvron, H., et al. (2023). “LLaMA: Open and Efficient Foundation Language Models”. arXiv: 2302.13971.

[5] DeepSeek-AI. (2025). “DeepSeek-V3 Technical Report”. arXiv: 2412.19437.

[6] Ouyang, L., et al. (2022). “Training language models to follow instructions with human feedback”. NeurIPS, 35. arXiv: 2203.02155.

[7] Silver, D., et al. (2017). “Mastering the game of Go without human knowledge”. Nature, 550, 354-359.

[8] Kaplan, J., et al. (2020). “Scaling Laws for Neural Language Models”. arXiv: 2001.08361.

[9] Hoffmann, J., et al. (2022). “Training Compute-Optimal Large Language Models”. arXiv: 2203.15556.

[10] 国务院. (2017). “新一代人工智能发展规划”. 国发〔2017〕35号.

[11] 国家互联网信息办公室等七部门. (2023). “生成式人工智能服务管理暂行办法”.

[12] European Parliament. (2024). “Artificial Intelligence Act”. Regulation (EU) 2024/1689.

[13] Brohan, A., et al. (2023). “RT-2: Vision-Language-Action Models”. arXiv: 2307.15818.

[14] Yao, S., et al. (2023). “ReAct: Synergizing Reasoning and Acting in Language Models”. ICLR. arXiv: 2210.03629.

[15] Wei, J., et al. (2022). “Chain-of-Thought Prompting Elicits Reasoning in Large Language Models”. NeurIPS. arXiv: 2201.11903.

[16] McCarthy, J., et al. (1955). “A Proposal for the Dartmouth Summer Research Project on AI”.

[17] Minsky, M., & Papert, S. (1969). Perceptrons. MIT Press.

[18] 上海市人民政府. (2026). “WAIC 2026大会官方报告”.

# 人工智能 # 科技
Logo
AI编程社区

汇聚全球AI编程工具，助力开发者即刻编程。

更多推荐

码道：用 Python + FastAPI 快速构建一个学生信息管理接口：从零到 Swagger 在线文档

在日常开发和教学中，我们经常需要一套简单、可控、能快速上手的后端接口来演示"前后端分离"、练习 Restful API 设计，或者作为前端联调的 Mock 服务。传统做法往往是搭一套完整的 Web 工程：配置数据库、编写 DAO、引入 ORM、做请求分发……一套流程下来，光环境搭建就要花去不少时间，对于想快速验证想法、或者刚入门 API 开发的同学来说，显得过于沉重。

avatar AI编程社区
cover

码道 · 寻艺——从零构建“非遗交互式对话平台“的完整实践

avatar AI编程社区

码道：从零构建学生信息管理系统 API：FastAPI 内存版 CRUD 项目全解析

FastAPI 的强大，很大程度上来自 Pydantic 的校验能力。我们写下类型声明，FastAPI 在运行时自动把它变成边界检查器。name：字符串，长度限制 1 到 50；age：整数，限制在 6 到 120 之间（ge大于等于、le小于等于）；gender：字符串，用正则限定只能是"男"“女”“其他”；email：邮箱格式字符串；grade与major：可选字段，代表班级和专业方向。

avatar AI编程社区